【技術(shù)實(shí)現(xiàn)步驟摘要】
本專(zhuān)利技術(shù)屬于數(shù)據(jù)處理，具體涉及一種基于人工智能的酒店能耗預(yù)測(cè)方法。
技術(shù)介紹
1、隨著全球能源需求的增加和環(huán)保要求的日益嚴(yán)格，酒店行業(yè)作為能源消耗的重點(diǎn)領(lǐng)域之一，對(duì)能耗管理提出了更高的要求。傳統(tǒng)的能耗管理方法往往依賴(lài)經(jīng)驗(yàn)和規(guī)則制定，缺乏對(duì)數(shù)據(jù)的深度分析和精準(zhǔn)預(yù)測(cè)能力，難以有效應(yīng)對(duì)復(fù)雜的能耗變化趨勢(shì)。同時(shí)，酒店能耗數(shù)據(jù)呈現(xiàn)出多維、非線(xiàn)性和時(shí)間動(dòng)態(tài)變化等特征，使得傳統(tǒng)建模方法在特征提取、數(shù)據(jù)降維和預(yù)測(cè)分類(lèi)中表現(xiàn)出明顯的局限性。
2、公開(kāi)號(hào)為cn118885910a的中國(guó)專(zhuān)利技術(shù)專(zhuān)利提出一種基于改進(jìn)lstm網(wǎng)絡(luò)的空調(diào)能耗預(yù)測(cè)方法、系統(tǒng)及存儲(chǔ)介質(zhì)涉及公共樓宇空調(diào)節(jié)能
方法包括：s1、空調(diào)能耗預(yù)測(cè)模型的數(shù)據(jù)收集與處理；s2、通過(guò)斯皮爾曼相關(guān)系數(shù)進(jìn)行相關(guān)性分析；s3、將分析處理后的數(shù)據(jù)分為訓(xùn)練集、驗(yàn)證集和測(cè)試集；采用混沌約束de算法優(yōu)化lstm神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值；獲得優(yōu)化的空調(diào)能耗預(yù)測(cè)模型；s4、利用優(yōu)化后空調(diào)能耗預(yù)測(cè)模型進(jìn)行空調(diào)能耗預(yù)測(cè)，生成預(yù)測(cè)結(jié)果；引入attention機(jī)制提取lstm神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)輸出的重要特征信息即空調(diào)負(fù)荷影響因素；s5、通過(guò)驗(yàn)證指標(biāo)來(lái)判斷模型的預(yù)測(cè)性能。該技術(shù)對(duì)空調(diào)系統(tǒng)的長(zhǎng)期能耗，及其在若干個(gè)短期控制步長(zhǎng)的能耗，實(shí)現(xiàn)了能耗的實(shí)時(shí)預(yù)測(cè)與控制。公開(kāi)號(hào)為cn111178626a的中國(guó)專(zhuān)利技術(shù)專(zhuān)利提出一種基于wgan算法的建筑能耗預(yù)測(cè)方法及監(jiān)測(cè)預(yù)測(cè)系統(tǒng)。主要是采集了建筑物的能耗數(shù)據(jù)以及相關(guān)的能耗特征數(shù)據(jù)，使用變分自動(dòng)編碼器提取高級(jí)特征，并通過(guò)極限梯度增強(qiáng)算法檢測(cè)特征重要性。然后將所有獲得的所有能耗特
3、上述技術(shù)仍存在以下問(wèn)題需進(jìn)一步解決：1、傳統(tǒng)生成對(duì)抗網(wǎng)絡(luò)在平穩(wěn)數(shù)據(jù)環(huán)境中訓(xùn)練，對(duì)非平穩(wěn)數(shù)據(jù)中的動(dòng)態(tài)變化響應(yīng)不足，導(dǎo)致生成樣本缺乏代表性，無(wú)法全面反映時(shí)間序列數(shù)據(jù)的復(fù)雜特性。
4、2、傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)在特征提取中易出現(xiàn)梯度消失、梯度爆炸或陷入局部最優(yōu)解，影響模型性能和訓(xùn)練穩(wěn)定性。
5、3、傳統(tǒng)降維方法在處理異常值和邊界效應(yīng)時(shí)魯棒性不足，容易導(dǎo)致特征表示失真，降低降維的效果。
6、4、傳統(tǒng)的高階神經(jīng)網(wǎng)絡(luò)的激活函數(shù)和學(xué)習(xí)率固定，無(wú)法根據(jù)復(fù)雜特征分布進(jìn)行動(dòng)態(tài)調(diào)整，限制了模型的適應(yīng)性和分類(lèi)精度。
技術(shù)實(shí)現(xiàn)思路
1、本專(zhuān)利技術(shù)的目的是提出一種基于人工智能的酒店能耗預(yù)測(cè)方法，生成數(shù)據(jù)在統(tǒng)計(jì)特性上更接近真實(shí)數(shù)據(jù)，顯著增強(qiáng)模型的適應(yīng)性和泛化能力；特征提取模型能夠提高特征提取效率和穩(wěn)定性，避免網(wǎng)絡(luò)訓(xùn)練過(guò)程中的梯度問(wèn)題，優(yōu)化網(wǎng)絡(luò)性能；特征降維模型能夠減少降維過(guò)程中異常值和邊界效應(yīng)的影響，增強(qiáng)降維模型的魯棒性，提升數(shù)據(jù)表示的準(zhǔn)確性和壓縮性能；分類(lèi)器模型能夠提高分類(lèi)模型對(duì)復(fù)雜模式的學(xué)習(xí)能力，增強(qiáng)分類(lèi)精度和對(duì)輸入數(shù)據(jù)分布變化的響應(yīng)速度。
2、本專(zhuān)利技術(shù)采取的技術(shù)方案是：
3、一種基于人工智能的酒店能耗預(yù)測(cè)方法，包括數(shù)據(jù)處理模塊、特征處理模塊和決策模塊；所述數(shù)據(jù)處理模塊的輸出信息用于特征處理模塊的輸入?yún)?shù)；
4、所述數(shù)據(jù)處理模塊從樣本的角度進(jìn)行數(shù)據(jù)的采集、數(shù)據(jù)的擴(kuò)充；所述特征處理模塊從特征向量的角度進(jìn)行特征的提取、特征的壓縮性降維；所述決策模塊利用特征處理模塊輸出的特征進(jìn)行任務(wù)的決策，實(shí)現(xiàn)對(duì)酒店能耗進(jìn)行預(yù)測(cè)。
5、進(jìn)一步地，在數(shù)據(jù)處理模塊中，數(shù)據(jù)采集自多個(gè)酒店的能耗監(jiān)測(cè)系統(tǒng)，包括每日消耗的電力、水、燃?xì)鈹?shù)據(jù)，數(shù)據(jù)采集方式采用實(shí)時(shí)自動(dòng)化傳輸系統(tǒng)，并以結(jié)構(gòu)化的json格式存儲(chǔ)；對(duì)采集到的數(shù)據(jù)進(jìn)行人工標(biāo)注；
6、隨后進(jìn)行數(shù)據(jù)擴(kuò)充，采用基于非平穩(wěn)過(guò)程的生成對(duì)抗網(wǎng)絡(luò)算法進(jìn)行樣本生成（實(shí)現(xiàn)數(shù)據(jù)擴(kuò)充）。
7、在傳統(tǒng)的生成對(duì)抗網(wǎng)絡(luò)模型中，生成器和判別器通常在平穩(wěn)數(shù)據(jù)環(huán)境下訓(xùn)練，可能導(dǎo)致模型對(duì)于時(shí)間序列中的動(dòng)態(tài)變化反應(yīng)不足，為了解決這一問(wèn)題，本專(zhuān)利技術(shù)的生成器設(shè)計(jì)為能夠模擬非平穩(wěn)能耗數(shù)據(jù)的動(dòng)態(tài)變化，從而更精準(zhǔn)地生成反映變化的數(shù)據(jù)，提高模型對(duì)新變化的適應(yīng)速度和精度。
8、進(jìn)一步地，所述生成對(duì)抗網(wǎng)絡(luò)算法的訓(xùn)練流程如下：
9、s101、初始化生成對(duì)抗網(wǎng)絡(luò)的生成器和判別器的網(wǎng)絡(luò)結(jié)構(gòu)，包括權(quán)重和偏置的初值設(shè)置，確保網(wǎng)絡(luò)可以在隨后的訓(xùn)練中穩(wěn)定學(xué)習(xí)；設(shè)生成器為，判別器為，生成器的權(quán)重為，判別器的權(quán)重為，初始化的方式表示為：
10、，
11、式中，表示服從于特定分布；是生成器的權(quán)重；是判別器的權(quán)重；表示初始化的標(biāo)準(zhǔn)偏差；為生成器的輸入層的維度；表示均值為0、方差矩陣為的多變量正態(tài)分布；為單位矩陣；為正態(tài)分布；
12、s102、在生成器的訓(xùn)練過(guò)程中，生成器接收一個(gè)隨機(jī)噪聲向量，通過(guò)網(wǎng)絡(luò)層映射生成虛擬的能耗數(shù)據(jù)，目的是使生成的數(shù)據(jù)在統(tǒng)計(jì)特性上與真實(shí)能耗數(shù)據(jù)足夠接近，表示為：
13、，
14、式中，為生成器生成的假數(shù)據(jù)；為生成器函數(shù)；是隨機(jī)噪聲向量，和分別是生成器的權(quán)重和偏置，為雙曲正切函數(shù)；表示元素乘法；和是注意力權(quán)重和偏置，作用為使得生成器能夠?qū)斎朐肼曄蛄康牟煌糠仲x予不同的重要性，增強(qiáng)生成數(shù)據(jù)的質(zhì)量和多樣性；
15、s103、在判別器的訓(xùn)練過(guò)程中，判別器的任務(wù)是區(qū)分輸入的數(shù)據(jù)是來(lái)自真實(shí)數(shù)據(jù)集還是生成器產(chǎn)生的數(shù)據(jù)，判別器不斷學(xué)習(xí)如何識(shí)別生成的數(shù)據(jù)和真實(shí)數(shù)據(jù)之間的細(xì)微差異，表示為：
16、，
17、式中，為真實(shí)樣本的標(biāo)簽；為判別器判定為生成樣本的標(biāo)簽；為真實(shí)數(shù)據(jù)；是sigmoid激活函數(shù)，和分別是判別器的權(quán)重和偏置；為判別器函數(shù)，判別器的輸出采用sigmoid函數(shù)以給出二分類(lèi)概率；為中間特征層函數(shù)；
18、其中，中間特征層函數(shù)的作用為增強(qiáng)模型對(duì)數(shù)據(jù)特征的提取能力，使其更加敏感于生成數(shù)據(jù)與真實(shí)數(shù)據(jù)之間的差異，實(shí)現(xiàn)方式表示為：
19、，
20、式中，為線(xiàn)性整流函數(shù)，允許小的梯度在激活函數(shù)的負(fù)部分流動(dòng)，避免了神經(jīng)元的不活躍狀態(tài)；和分別中間特征層的權(quán)重和偏置；
21、s104、在生成器和判別器的訓(xùn)練過(guò)程中，采用反饋機(jī)制，每當(dāng)判別器正確識(shí)別出生成數(shù)據(jù)或真實(shí)數(shù)據(jù)時(shí)，生成器會(huì)根據(jù)反饋調(diào)本文檔來(lái)自技高網(wǎng)...
【技術(shù)保護(hù)點(diǎn)】
1.一種基于人工智能的酒店能耗預(yù)測(cè)方法，其特征在于，包括數(shù)據(jù)處理模塊、特征處理模塊和決策模塊；所述數(shù)據(jù)處理模塊的輸出信息用于特征處理模塊的輸入?yún)?shù)；
2.如權(quán)利要求1所述的一種基于人工智能的酒店能耗預(yù)測(cè)方法，其特征在于，在數(shù)據(jù)處理模塊中，數(shù)據(jù)采集自多個(gè)酒店的能耗監(jiān)測(cè)系統(tǒng)，包括每日消耗的電力、水、燃?xì)鈹?shù)據(jù)，數(shù)據(jù)采集方式采用實(shí)時(shí)自動(dòng)化傳輸系統(tǒng)，并以結(jié)構(gòu)化的JSON格式存儲(chǔ)；對(duì)采集到的數(shù)據(jù)進(jìn)行人工標(biāo)注；
3.如權(quán)利要求2所述的一種基于人工智能的酒店能耗預(yù)測(cè)方法，其特征在于，所述生成對(duì)抗網(wǎng)絡(luò)算法的訓(xùn)練流程如下：
4.如權(quán)利要求1所述的一種基于人工智能的酒店能耗預(yù)測(cè)方法，其特征在于，在特征處理模塊中，對(duì)擴(kuò)充的數(shù)據(jù)進(jìn)行特征處理，若擴(kuò)充的數(shù)據(jù)特征數(shù)量小于等于30，則采用特征提取模型進(jìn)行特征提取；若擴(kuò)充的數(shù)據(jù)特征數(shù)量大于30，則采用特征降維模型進(jìn)行特征降維；
5.如權(quán)利要求4所述的一種基于人工智能的酒店能耗預(yù)測(cè)方法，其特征在于，對(duì)于特征降維模型，采用基于特征重要性動(dòng)態(tài)分配的自編碼神經(jīng)網(wǎng)絡(luò)作為特征降維模型，所述自編碼神經(jīng)網(wǎng)絡(luò)包括編碼器和解碼器兩部分，
6.如權(quán)利要求1所述的一種基于人工智能的酒店能耗預(yù)測(cè)方法，其特征在于，在所述決策模塊中，采用基于變尺度高階激活的高階神經(jīng)網(wǎng)絡(luò)作為分類(lèi)器模型，針對(duì)從特征處理模塊得到的數(shù)據(jù)特征進(jìn)行分類(lèi)，具體的，基于變尺度高階激活的高階神經(jīng)網(wǎng)絡(luò)算法的訓(xùn)練流程如下：
7.如權(quán)利要求4所述的一種基于人工智能的酒店能耗預(yù)測(cè)方法，其特征在于，在步驟S202中，鯨魚(yú)優(yōu)化算法的第一系數(shù)矩陣和鯨魚(yú)優(yōu)化算法的第二系數(shù)矩陣在每次迭代中，從2減小到0，表示為：
8.如權(quán)利要求4所述的一種基于人工智能的酒店能耗預(yù)測(cè)方法，其特征在于，在步驟S204中，所述網(wǎng)絡(luò)拓?fù)湔{(diào)整的決策基于性能指標(biāo)的變化，決定是否調(diào)整及如何調(diào)整，表示為：
9.如權(quán)利要求5所述的一種基于人工智能的酒店能耗預(yù)測(cè)方法，其特征在于，在步驟S304中，進(jìn)行自編碼神經(jīng)網(wǎng)絡(luò)參數(shù)的更新，更新方式表示為：
10.如權(quán)利要求6所述的一種基于人工智能的酒店能耗預(yù)測(cè)方法，其特征在于，在步驟S404中，對(duì)于輸入到高階神經(jīng)網(wǎng)絡(luò)的特征，根據(jù)特征間的相互信息，定義權(quán)重調(diào)整因子的計(jì)算方式表示為：
...【技術(shù)特征摘要】
1.一種基于人工智能的酒店能耗預(yù)測(cè)方法，其特征在于，包括數(shù)據(jù)處理模塊、特征處理模塊和決策模塊；所述數(shù)據(jù)處理模塊的輸出信息用于特征處理模塊的輸入?yún)?shù)；
2.如權(quán)利要求1所述的一種基于人工智能的酒店能耗預(yù)測(cè)方法，其特征在于，在數(shù)據(jù)處理模塊中，數(shù)據(jù)采集自多個(gè)酒店的能耗監(jiān)測(cè)系統(tǒng)，包括每日消耗的電力、水、燃?xì)鈹?shù)據(jù)，數(shù)據(jù)采集方式采用實(shí)時(shí)自動(dòng)化傳輸系統(tǒng)，并以結(jié)構(gòu)化的json格式存儲(chǔ)；對(duì)采集到的數(shù)據(jù)進(jìn)行人工標(biāo)注；
3.如權(quán)利要求2所述的一種基于人工智能的酒店能耗預(yù)測(cè)方法，其特征在于，所述生成對(duì)抗網(wǎng)絡(luò)算法的訓(xùn)練流程如下：
4.如權(quán)利要求1所述的一種基于人工智能的酒店能耗預(yù)測(cè)方法，其特征在于，在特征處理模塊中，對(duì)擴(kuò)充的數(shù)據(jù)進(jìn)行特征處理，若擴(kuò)充的數(shù)據(jù)特征數(shù)量小于等于30，則采用特征提取模型進(jìn)行特征提??；若擴(kuò)充的數(shù)據(jù)特征數(shù)量大于30，則采用特征降維模型進(jìn)行特征降維；
5.如權(quán)利要求4所述的一種基于人工智能的酒店能耗預(yù)測(cè)方法，其特征在于，對(duì)于特征降維模型，采用基于特征重要性動(dòng)態(tài)分配的自編碼神經(jīng)網(wǎng)絡(luò)作為特征降維模型，所述自編碼神經(jīng)網(wǎng)絡(luò)包括編碼器和解碼器兩部分，編碼器壓縮輸入的數(shù)據(jù)至一個(gè)低維表示，解碼器從這個(gè)低維表示重構(gòu)為與輸...
【專(zhuān)利技術(shù)屬性】
技術(shù)研發(fā)人員：曹治國(guó)，陳禮朝，孔晗可，齊非華，黃光中，
申請(qǐng)(專(zhuān)利權(quán))人：杭州互為綜合能源服務(wù)有限公司，
類(lèi)型：發(fā)明
國(guó)別省市：
還沒(méi)有人留言評(píng)論。發(fā)表了對(duì)其他瀏覽者有用的留言會(huì)獲得科技券。